Информации

Екстракција на мозок и зачувајте слики како .img датотека

Екстракција на мозок и зачувајте слики како .img датотека



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Работев на аудитивни податоци (од FIL) за да ги прочитам .img датотеките како нумерички броеви на интензитет на секој воксел со текот на времето во формат на низа/матрица користејќи Анализирај ФМРИ пакет во РНа Ми дава 64X64X64 број на редови податоци во 96 временски точки. Сепак, сликите ги вклучуваат очите и други работи освен мозокот. Се прашував дали постои начин да се извлече само мозокот и да се зачува како .img датотека за подоцнежна употреба. Само што дознав дека еден софтвер наречен FSL го прави ова (треба уште да го научам), но барав пакет Р.


Чекор 3: Претворете го вашиот мозок во .stl

Пресметаниот мозок е во .pial формат, но она што ни треба е .stl

За среќа, FreeSurfer вклучува алатка за конвертирање на датотеките.

Отворете терминален прозорец и напишете

  • mris_convert /usr/local/freesurfer/subjects/mybrain/surf/rh.pial rh.stl
  • mris_convert /usr/local/freesurfer/subjects/mybrain/surf/lh.pial lh.stl
  • и последно: xdg-open/usr/local/freesurfer/предмети/mybrain/surf/ (или алтернативно, навигирајте сами таму со менаџерот на датотеки)

Сега обидете се да ги најдете двете датотеки rh.stl и lh.stl и повлечете ги до вас на системот Виндоус

Еден од нив е десна хемисфера (rh.stl) левата хемисфера (lh.stl).

FreeSurfer исто така може да го извлече малиот мозок и другите делови на мозокот, но во ова упатство ќе се фокусираме само на хемисферите. Ова има една предност: Вашиот мозок убаво ќе стои самостојно. Бидејќи малиот мозок е тркалезен и на дното на вашиот мозок, можеби нема да го стори тоа со него. Најдов убаво упатство овде: https://github.com/miykael/3dprintyourbrain што ви покажува како да го извлечете.


Екстракција на мозок и зачувајте слики како .img датотека - Психологија

Поради големиот број барања (три), направив неколку пробивања за тоа како да креирам маски во FSL. Постојат неколку различни начини да го направите ова:

  1. Анатомски рентабилност: Овие маски се генерирани од анатомски региони означени со атласи. На пример, може да одлучите да се фокусирате само на воксели во V1 областа на визуелниот кортекс. Користењето атлас ќе создаде маска од тој регион, базирана на анатомските граници дефинирани со атлас во стандардизиран простор.
  2. Функционален рентабилност (или контрастна рентабилност): Ова е маска создадена од праг на контраст со одредена статистичка вредност. На пример, можеби ќе сакате да се фокусирате само на воксели што поминуваат со корекција на кластерот за контраст на притискање на левото копче минус притискање на десното копче.
  3. Сликање рентабилност: Овде започнува вистинската забава, наместо да се ограничувате со ограничувањата на анатомските или контрастните граници, оставете ја фантазијата да дивее и едноставно сликајте онаму каде што сакате да направите ROI анализа. Слично на она што го правевте во прво одделение, но повеќе хај-тек и со помал удар откако ги изедете вашите боички. (Дали сум јас виновен што Razzmatazz Red звучи толку вкусно?)

88 коментари:

Фала Енди за уште една одлична објава. Имам пребирливо прашање. како ја одредувате вредноста на прагот (10 во овој случај)?

Дали се повикувате на thershold за специфичен контраст? Тоа е малку произволно, бидејќи може да одлучите да користите многу строг праг за понатамошни анализи, или нешто полиберално. Навистина, вие само кажувате нешто според линијата на & quotI 'ве направивте оваа вредност z да биде прагот за одредување дали кластерот е значаен, и јас ќе ги користам тие кластери само за понатамошни анализи на рентабилност. & Quot

Фала Енди. Тоа е нешто како што мислев. Ејми

Благодарам! Ова е навистина корисно. Имам прашање. Се обидувам да создадам маска за рентабилност и да ја користам на вистинските слики на човечкиот мозок за да ја анализирам вкочанетоста на специфичниот регион во мозокот. Бидејќи ја користевте стандардната слика на мозокот во FSL, не сум сигурен како можам да ја усогласам маската генерирана од стандардната слика на мозокот со вистинската слика на мозокот скенирана со МРИ. Или, постои ли друг начин да се направи тоа?

Што подразбираш под „наводливост“? Не сум сретнал порано со тој термин.

Во секој случај, можете да креирате ROI за поединечни субјекти користејќи ја истата постапка како што е наведена погоре, само за секој мозок на секој субјект. Сепак, зависи и од тоа дали сакате да го направите тоа пред или по нормализација, што може да воведе големи просторни интерполации и искривувања на анатомската слика на секој учесник. Ако сакате да создадете рентабилност пред нормализирање, само бидете свесни дека нема да можете да го користите стандардниот атлас за дефинирање на анатомските рентабилност, ќе треба да ги правите рачно (и повеќето луѓе препорачуваат искусен невронатомичар да го стори тоа за вас ).

Работам на студија за мерење на еластичноста на мозокот кај здрави луѓе, користејќи нова техника на МРИ наречена Магнетна резонантна еластографија (MRE). Ако сакам да го користам стандардниот атлас за да создадам ROI за секој мозок на субјектот, вие велите дека прво треба да ја нормализирам сликата, нели? Сепак, не сум толку сигурен како да ги нормализирам сликите на МНР. Дали го имате и упатството за ова?

Да, точно е да се користат атласи во стандардизиран простор, прво треба да ја нормализирате функционалната слика. Има кратка дискусија за нормализација, заедно со видео, на следната врска: http://andysbrainblog.blogspot.com/2012/11/spm-setting-origin-and-normalization.html

Ги следев чекорите за нормализирање на функционалната слика. Кога ја проверив регистрацијата на сликата, таа доста добро се совпадна со сликата на шаблонот. Сепак, димензијата на нормализираната слика не се совпаѓа со онаа на стандардната слика, така што не можам да го применам атласот на нормализираната слика за да ја создадам маската од неа. Дали има и начин на кој можам да ги усогласам нивните димензии?

Треба да ги имаат истите димензии доколку се нормализирани, двојно ќе проверам дали ќе користите правилни функционални слики, бидејќи може да се наоѓаат во друга папка. Ако не, можете да користите флерт за да ја примените матрицата за трансформација што се емитува по искривување на вашата анатомска на референтна слика, на пример:

флертувајте во func_001.nii.gz -ref $ FSLDIR/data/standard/MNI152_T1_2mm
-out func_001_norm -applyxfm -init ../reg/example_func2standard.mat

Ви благодариме за одговорот. Јас всушност користев FLIRT линеарна регистрација (FSL) и работеше добро! Имам прашање за атласот. Дали знаете дали постои атлас за корпус калозум на мозокот? Ме интересира овој регион, но не можев да го најдам атласот за него :(

За жал, не знам за атласи што го вклучуваат корпус калозумот, единствената опција на која можам да се сетам е да се обидам да го обојам во себе, или да има тоа обучен анатомист, а потоа да го извезам како маска.

Првпат користам fsl и вашите видеа навистина ми помогнаа.
Само се прашувам дали постои некој лесен начин да се „избира“ и да се наведе еднаш насликана маска и да се помести наоколу.
Правам ROI на периферните нерви, со повеќе секвенци од истиот регион. Работата е дека секвенците не се преклопуваат совршено и морам да направам нов рентабилност секој пат (се работи за поместување на воксел од 1-4 во претежно една насока). Beе беше многу полесно ако можам да ја земам маската од една секвенца и да ја приспособам на другите, наместо да морам да ги повторувам секој пат.

Само да ве известам, не сум заборавил на ова, наскоро ќе го сфатам. Ако не одговорам до петок, пиширај ме повторно.

Извинете за доцниот одговор што го разгледував, и за жал не постои елегантен начин да го направите она што го сакате со FSL. Најблиското нешто што можам да го замислам ќе биде AFNI 's 3drotate алатката, која ви овозможува малку да преведувате и ротирате 3D слики, но дури и ова ќе потрае многу време, бидејќи ќе треба да го проверувате излезот по секоја трансформација. Не знам за софтверски пакети што ги чуваат сликите во меморија и ви дозволуваат да ги манипулирате со кликнување и влечење на ROI -овите додека не се совпаднат.

Ти благодарам многу Енди!
Веќе се трудев, но добро е да го пренесам од некој искусен. Дефинитивно ќе ја разгледам алатката 3drotate, можеби сепак ќе потрае помалку време отколку правење нови ROI за секоја секвенца.

Ви благодариме за овие корисни видеа. Само што започнувам да користам FSL за анализа на DTI. Needе треба да создадам маска за исклучување, односно една цела хемисфера. Дали постои лесен начин да се создаде еден од оние со FSL? Исто така, создадов некои анатомски маски на фронталниот кортекс врз основа на атласот Хавард-Оксфорд во ФСЛ, но тие се исто така билатерални. Како можам да ги поделам на лево и десно ROI одделно?

Секоја помош би била ценета.
Најдобри желби,
Кони

Можете да креирате маска за хемисфера со користење на целиот мозок како маска, а потоа да креирате друга маска каде што сите воксели десно (или лево) од средната линија се 1 и#39 -ти. Потоа, би користеле fslmaths за да направите логично И од двете маски за да создадете една маска само за една хемисфера. Сличен пристап може да се користи за разделување на маската на фронталниот кортекс.

Здраво Енди, одлични видеа, имам прашање што го следи вашиот одговор на Кони овде. Дали постои едноставен начин да се користат алатки FSL за да се создаде маска каде што сите воксели десно (или лево) од средната линија се 1 '? Благодарам,
Мајкл

Она што можете да направите е да користите fslmaths за да ја бинаризирате маската и да земете една хемисфера. Забележете дека ова ќе зависи од тоа колку воксели има во x-насоката (што мислам дека е dim1 ако направите fslhd на сликата), но ќе треба да го поделите тој број на половина. На пример, ако има 91 воксели во x-насока, половина точка треба да биде приближно 45 воксели.

Потоа можете да користите команда како следната:

fslmaths inputImage.nii -bin -roi 45 -1 -1 -1 -1 -1 -1 -1 outputImage.nii

Онаму каде што -1 и#39 претставуваат покривање на целиот обем во x-, y- и z-насоки.

Се прашувам како можете да го добиете бројот на воксели во една насока (во овој пример, 91 воксели во x насока). Благодарам многу.

Можете да користите fslhd, што ќе ви даде воксели во димензиите x-, y- и z (претставени со dim1, dim2 и dim3). Ако само сакате број на воксели во x-насока, можете да направите нешто како:

Ви благодариме за сите овие корисни информации! Се прашувам дали постои начин да се искористи овој пристап, но за одредена рамнина, а не за хемисфери. На пример, ако имате структурна маска и сакате да исклучите с everything што е по y = 10?

Одличен блог! Имам FSL почетнички прашања: Ако имам неколку маски од бела материја (создавање со користење на FSL атласи), како да ги ставам во истиот простор како и моите мапи на FA, MD, итн. (Од dtifit) за да ги повлечам средните FA, MD, итн од тие области?

Исто така, дали имате некои препораки за повлекување на целиот мозок ФА? Дали би создал маска за бела материја користејќи FAST?

Секоја помош што можете да ја дадете би била многу ценета! Ви благодарам!!
Кристина

Започнувам со серија упатства за DTI, затоа дозволете ми да ви се вратам за тоа за малку (веројатно следната недела). Се извинувам за доцнењето, но сакам да бидам сигурен во тоа пред да ви дадам одговор!

Во вашето видео & quotCreating Anatomical ROIs & quot видео, забележувате дека треба да го поставите прагот и да ја бинаризирате маската за рентабилност што ја создавате во FSLview. Можеби ќе можете да објасните зошто е важно да го направите ова? Дали треба да се бинаризираат сите анатомски ROI (на пример, да речеме дека сакате да ги извлечете вредностите на FA од податоците за DTI, дали треба да ја бинаризирате маската што ја правите?)?

Всушност, можете да го направите на било кој начин, ако не ја бинаризирате маската, тоа ќе ги измери проценките на вашите параметри според веројатноста вокселот да биде вклучен во маската. Ако ја бинаризирате маската, тогаш сите проценки на параметрите ќе бидат извлечени од тоа дека ROI & квотите се & quot, без никакво пондерирање.

Како и да е, пристапот е добар, јас сум запознаен со множење на секоја вредност на воксел во маската со 1, и исклучување на с outside друго надвор од маската. Можете да го направите она што пристапот најдобро ви одговара.

Сепак, благодарам што го кажа ова - веројатно требаше да го појаснам тоа во видеото. Бинарната изработка на маската не е нужно „правилен“ начин да го направите тоа.

Здраво Енди- одличен блог! Само се прашувам дали постои ' стандарден ' праг што треба да се користи при креирање на ROI од атласи. Вие користевте 10 во вашиот пример, но замислувам дека нешто како 50 е премногу конзервативно? Дали постои вредност што ја користат#39 и#39 луѓе?

Еј, благодарам! Колку што знам, не постои стандарден праг, повеќето атласи се веројатни, така што навистина зависи од вас да одредите колку сакате да го задржите. Ако воопшто немате праг, најверојатно ќе ја добиете целата структура, но веројатно и некои други области. С long додека не ти е јасно што вклучуваш, мислам дека треба да бидеш во ред.

Благодарам Енди- твојот блог е навистина корисен!

Здраво Енди,
Ви благодариме што ги направивте овие упатства-тие се толку неверојатно корисни!

Дали би можел да го прашам вашиот совет за најефикасниот начин да креирате маска со неколку различни ROI од функционална карта со неколку различни групи?

Овој коментар е отстранет од авторот.

Ви благодарам многу за овој блог! Толку корисно!

Може ли да прашам за користење на оваа бинарна маска за извлекување на рентабилност за субјекти кои исто така се претворени во стандарден простор?
На пример, јас завршив FSLVBM и би сакал да ги извлечам значајните воксели и да ги разгледам концентрациите на сивата материја користејќи fslstats за рентабилност што се промени. Затоа, би сакал да извлечам рентабилност од само значајни воксели. Можам да создадам бинарна маска, но не знам како да напредувам.

Здраво Енди,
Ви благодариме за овој блог.
Прилично сум изгубен во споредба на две сегментирања. За споредба на две сегментации, генерално се користи Изменето растојание Хаусдорф, но работи со површини и имам само бинарни карти на две различни сегментации. Мислам дека површинската маска е бинарна маска со вредност 1 само во воксели на површини, а внатрешните воксели се 0 како позадина. Дали е вистина? Дали е можно да се создаде површинска маска базирана на бинарна маска и да се користи површинска маска за анализа на Хаусдорф растојание? Претпочитам FSL, но ако ми препорачате некој друг софтвер за решавање на оваа задача, ќе ми биде драго.
Ви благодарам,
Марек

Ви благодариме за вашиот блог, тоа е неверојатно корисно! Случајно, дали знаете зошто кога бизаризираните ROI во стандарден простор (на пример, MNI) се трансформираат во простор за субјекти, не завршувате со бинаризиран ROI во предметниот простор? Во приказот FSL, вредностите на интензитет се движат од .00001 до .99999 во просторот на предметот (наспроти 0 или во просторот MNI). Се чини дека за да се бинаризира во предметниот простор, командата fslmaths мора да се изврши откако ќе се случи трансформацијата.

Има ли увид во овој процес? Се прашувам дека ако не бинаризирате и во просторот на предметот, дали е најдобро да користите опција за „пондерирана средна вредност“ при вадење временска серија на рентабилност?

Тоа е обично затоа што ROI се интерполираат кога се трансформираат во предметниот простор. Можете или да направите бинаризација (бинаризација?) По трансформацијата, или да направите трансформација без интерполација, како што е најблискиот сосед. На пример, со FLIRT, пробајте ја опцијата -interp со & quotnearestneighbour & quot.

Благодарам многу! Многу корисно.

Дали е проблематично ако ROI -овите не беа бинаризирани (или немаа наведено опцијата за & quot; интерполација & quot) по трансформацијата во предметниот простор? Ги истрчав моите модели на ППИ на прво ниво, оставајќи ги ROIs и квотите се & quot; Не сум сигурен дали (или како) ова ќе влијае на толкувањето на податоците.

Не знам дали е проблематично, ќе се обидам да ја повторам анализата само со еден предмет и да видам дали резултатите се менуваат многу. Ако не, треба да бидете во ред со вашата анализа како што е. Моја претпоставка е дека вашите резултати нема да бидат значително засегнати.

Прекрасно, повторно ти благодарам, Енди. Направив тест и бинаризирав еден ROI во предметниот простор, потоа ги извлеков временските серии користејќи fslmeants. Временската серија беше идентична со онаа генерирана од интерполираната рентабилност. Така, се чини дека моите резултати не треба да бидат засегнати со кој било метод.

Овој коментар е отстранет од авторот.

Овој коментар е отстранет од авторот.

Здраво Енди,
Откако ќе креирате маска во fsl користејќи атлас, дали оваа маска може да се користи како рентабилност во други програми? Се надевам дека ќе користам fsl атлас за да дефинирам рентабилност и потоа ќе го искористам тој рентабилност за да извршам анализи на состојба на мирување со SPM и marsbar. Имав проблеми со отворањето на маската во marsbar и пробав повеќе типови датотеки.

Се надевам дека може да помогнете!
Благодарам,
Еден колега Карлтон Алум

Форматот NIFTI ќе биде вашата најдобра залог, бидејќи јас можев да го користам со Marsbar во минатото. (Исто така, проверете дали го отпакувате користејќи gunzip ако излегува во gz формат.) Дали ја користите најактуелната верзија на Marsbar? Каква грешка ви дава она што се обидувате да го отворите?

Не ги отпакував датотеките .gz. Сега кога го направив тоа, функционираше добро во Марсбар! Благодарам многу!

Здраво Енди,
Фала за видеото
Создадов маска од Атлас.
И јас   го сакав со праг на веројатност од 5%
Користев команда како подолу
fslmaths mask.nii.gz -thrp 5 -bin mask_thr.nii.gz
Дали сум во право?
благодарам

Тоа е точно! Можете сами да го проверите тоа со земање маска, како што е гирусот со парацикула, праг на 5%, а потоа споредувајќи го со маската што ја создавате со fslmaths. Тие треба да бидат исти.

Здраво Енди, благодарам за видеата што беа навистина корисни.

Имам 3 различни ROIS, секоја е .nii датотека, веќе бинаризирана. Но, сакам да направам маска, вклучувајќи ја оваа 3 ROIS, секоја со 1, 2 и 3 вредност, соодветно. Што предлагаш?
Ви благодарам уште еднаш.

Ако користите fslmaths, можете да ја користите опцијата -mul на секоја маска посебно: на пр.

fslmaths mask1.nii -mul 1 mask_1.nii
fslmaths mask2.nii -mul 2 mask_2.nii
fslmaths mask3.nii -mul 3 mask_3.nii

Потоа можете да ги додадете сите заедно:

fslmaths mask_1.nii -додај mask_2.nii -дај маска_3.nii маска_1_2_3.nii

Забележете дека секое преклопување ќе биде збир од вредноста на тие маски, на пример, преклопување помеѓу маските 1 и 3 ќе биде 4, и преклопување помеѓу маските 2 и 3 ќе биде 5.

Здраво, дали постои начин да се утврди големината на вокселите во маската?. Бидејќи на пример имам димензии на податоци од 64x64x38 и ми треба атлас за да го визуелизирам. Ти благодарам Енди

Само користете алатка за заглавија, како fslhd, за да ја одредите големината на вокселите. На пример, пишување

fslhd YourNIFTIfile.nii | grep pixdim

ќе ги врати димензиите во x-, y- и z-насоки (pixdim1, pixdim2 и pixdim3).

​ многу благодарам за ​ одличните и корисни упатства.Јас сум нов во анализата на fMRI, така што моето прашање може да биде толку едноставно. Јас користам податоци за HCP за моето истражување. Имам проблем во врска со функциите за парцелирање fMRI слики со атлас AAL 116 и не знам што треба да направам, бидејќи немам AAL атлас во функционален простор, се обидов да го направам со трансформирање на структурниот AAL атлас од структурен простор во функционален простор, но не добив добар резултат. Можеби правам нешто погрешно. Патем, трансформирањето на атласот во функционален простор беше единствениот начин на кој мислев дека ќе работи, но не функционираше. Би го ценел ако можете да ме водите како да направам парцелација на функционалната слика со атлас AAL 116 во FSL? или предложете ми некои нежни препораки за ова.
Многу благодарност однапред.

Не сум го користел атласот AAL, но претпоставувам дека е на некој вид стандардизиран простор - како што е просторот MNI. Дали постои одредена причина зошто сакате да го трансформирате атласот AAL во функционален простор? Зошто да не ги искривувате функционалните слики на стандарден простор, а потоа да ја направите парцелата таму?

Во секој случај, прво ќе треба да ги трансформирате функционалните слики во стандардизиран простор. Тоа ќе генерира трансформациска матрица standard2highres.mat, и можете да го користите обратното за да го трансформирате атласот AAL во предметниот простор на субјектот со ваква команда:

флертување -во AAL_atlas.nii -ref func_data.nii -applyxfm -init
standard2highres.mat -tatype float

Ви благодариме за вашиот одговор. Јас ја направив трансформацијата во стандарден простор (и атлас и функционална слика), но тука има проблем, бидејќи пред трансформацијата атласот има само цели вредности, но по трансформацијата во стандарден простор, содржи и децимални вредности. Додадов & quot-datatype цел број & quot во командата за трансформација, но загрижен сум дека ќе пропуштам некои податоци со оваа команда.
На пример, по трансформацијата, имам воксел со вредност од 12,52. Значи, како можам да одлучам дека овој воксел е дел од регионот со вредност 12 во овој или регион со вредност од 13?
Општо земено, можам ли да го трансформирам атласот во стандарден простор без да имам децимални вредности?
Само сакав да ја споредам мојата функционална слика со структурна слика преку нивните атласи. Се прашувам дали трансформирањето на двајцата во стандарден простор би било правилно да се споредат или не?
Би го ценел ако можете да ми помогнете, и повторно благодарам за вашите одлични упатства и вашето време.

Обидете се со & quot-interp nearestneighbour & quot, што ја доделува најблиската вредност на новиот воксел, наместо да воведете каква било интерполација.

Ви благодарам многу за одговорот, навистина го ценам тоа.
Сега имам друг проблем. Кога ја трансформирам функционалната слика (4Д) во стандарден простор, таа се претвора во 3D матрица и ми недостасуваат часовниците. Дали имате предлог да го решите овој проблем?

Нормализацијата има две фази: Искривување на репрезентативна слика до стандардизиран простор (обично анатомската слика, која веќе е внесена во вашите функционални слики), а потоа примена на таа трансформација - складирана во highres2standard.mat - на сите ваши функционални слики.

Под претпоставка дека веќе ја имате датотеката highres2standard.mat, направете го следново за да ја примените таа матрица за трансформација на вашите функционални слики и да ги доведете до стандардизиран простор:

флертување -во func.nii -ref дефиниција.nii -out func_warped.nii -започнете високи2 стандардни.mat -applyxfm

Осигурајте се дека функционалната слика е споена NIFTI датотека со сите функционални слики за таа работа. Можете да го проверите ова со fslhd.

Здраво Енди,
Ви благодариме за одговорот. Дали мислиш на примена на трансформација & quotfunctional2standard.mat & quot? Бидејќи сакам да ја пренесам својата функционална слика на стандарден простор. Затоа, мислам дека треба да користиме & quotfunctional2standard.mat & quot
Многу благодарам за вашата помош.

Да, во тој случај користете функционален стандард.mat. Помина некое време откако не користев FSL, па не можам да се сетам што точно добива излез.

Тешко е да се дебагира зошто ова не се применува на сите ваши функционални работи. Дали сте го пробале преку GUI?

Еј Андреј,
Дали е можно да се извлечат вредностите на ФА и МД на некој предмет од секој рои?

Треба да бидете во можност да ги извлечете оние што користат featquery или која било друга алатка за рентабилност од другите софтверски пакети, користејќи ги мапите FA или MD како влез.

Може ли да ми предложите какви било алатки за roi, освен marsbar и featquery? Во основа, сакам да ги извлечам овие вредности без да извршувам групна анализа.

Да, можете да користите AFNI 's 3dmaskave (за што се потребни само маска и влез, кои можат да бидат во NIFTI формат). Можете исто така да ја користите SPM командата spm_get_data, што ја опишувам овде: http://andysbrainblog.blogspot.com/2014/07/quick-and-efficient-roi-analysis-using.html

Благодарам што направивте прекрасни упатства, тие навистина ми помогнаа да разберам многу. Јас сум магистерски студент кој работи на мојата теза. Јас сум целосно надвор од мојата лига и гледам fMRI -скенирања за анализа на потрес на мозокот бидејќи никогаш не сум користел FSL или не сум направил ништо со било која магнетна резонанца порано. Во моментов се обидувам да ги проценам мапите на ФА и МД на поединци со специфични региони на интерес, избрани од скенирање со ДТИ. Мојот советник (кој исто така нема никаква позадина во ова) и јас се прашувавме зошто не се создадени универзални маски за рои, и ако се, каде се тие?

Добро е што ве слушнавме! Всушност, постојат атласи за трактати од бела материја, како што е атласот JHU во FSL. Погледнете едно од овие видеа и кажете ми дали е тоа што ви треба: https://www.youtube.com/watch?v=Ds-kmqovC7U

Откако ја креирав маската, има ли начин трајно да ја комбинирам со слика Т1, така што ќе стане една nifti датотека? Тие се со исти димензии и се преклопуваат добро во fslview. Се обидов да ги додадам датотеките користејќи fslmaths, но добиената слика воопшто не ја покажува маската.

Што точно подразбираш под „цитирање“ на Т1 и маската? Ако мислите дека сакате да бидат во иста датотека, можете да користите команда како fslmerge за да ги комбинирате двете на пр., Fslmerge -t T1_mask_combined.nii T1.nii mask.nii

Овој пример ќе создаде 4Д база на податоци, со Т1 слика како прв том и маска како втор том.

Под „комбинирање“ речено, мислам дека наместо да ја вчитам сликата Т1 во fslview и потоа да ја додадам датотеката со маска за да можам да ја видам на Т1, сакам да можам да ја направам една датотека за да можам да видам една nifti датотека и тоа ќе биде Т1 сликата со маската на неа. Причината за ова е во ExploreDTI, можам да додадам само една .nii датотека, треба да ги видам трактатите и на Т1 и на маската, но не можам да го сторам тоа ако се одделни датотеки. Ја пробав командата fslmerge, но само ја прикажа сликата Т1, исто како кога користев fslmaths.

Здраво Енди, благодарам за прекрасните видеа! Ова може да е смешно прашање, но имам маска за рентабилност која не е во просторот на МНИ, која сакам да ја користам за да ги анализирам моите податоци. Дали постои начин да се донесе ова во просторот на МНИ? Не знам каква структура беше искористена за да се регистрира, но тоа е цела маска на мозокот со повеќе ROI, па се прашувам дали можам некако да ја префрлам во просторот MNI?
Благодарам,
Иша

Ажурирање: се чини дека маската е во Талаирах и јас сакам да ја претворам во MNI координати. Ги имам имињата на областа на рентабилност, како и координатите на Talairach z. Дали знаете начин да го постигнете ова?
Голема благодарност,
Иша

Најлесен начин да го направите тоа е да користите AFNI 's 3dWarp алатка и да ја користите следната синтакса:

3dWarp -tta2mni yourdataset.nii -префикс yourdataset_mni.nii

Фала Енди! Всушност, завршивме со создавање на сопствена маска користејќи fsleyes и атлас како што прекрасно опишавте во едно од вашите видеа.
Најдобро,
Иша

Одлична веб -страница. Отсекогаш ги наоѓав вашите упатства многу корисни!

За проект треба да креирам маска во fsl, врз основа на податоците на Atlas Tools, која има димензии 80 x 80 x 30 со воксел резолуција од 3x3x4, за да одговара на онаа на функционалните податоци што ги имам.

Кога ја креирам маската со методот што го опишувате, добивам димензии на волумен од 182 x 218 x 182 и резолуција на воксел од 1x1x1mm (кога користите стандардна слика 1x1x1). Сфатив како да ја прилагодите големината на вокселот користејќи fslchpixdim, но не сум сигурен како да ги сменам димензиите на јачината на звукот. Некои предлози?

Благодарам! Се обидувам да ги потпевнувам работите овде.

За препромерување на една слика на друга во FSL, користам флерт, на пр.

флертување -во mask.nii.gz -ref data.nii.gz -надвор од mask_rs.nii.gz

Каде mask.nii.gz е маската што ја создадовте од Атлас Алатки, а data.nii.gz се вашите функционални податоци. Проверете ја излезната база на податоци (mask_rs.nii.gz) користејќи fslhd и проверете дали димензиите и резолуцијата се совпаѓаат.

Не сфатив дека функционалните податоци можат да се користат како референтна слика.

Здраво Енди,
Ви благодариме за одржувањето на оваа веб -страница и за вашите одговори! Брзо прашање, дали постои начин да се помести бинарна маска за позната количина во x, y или z насока (и)? На пример, ако сакам да ја поместам целата маска нагоре за 3 пиксели?

Најдобрата алатка за тоа ќе биде командата AFNI 's 3drotate, на пр.

3drotate -префикс ROI_Rotated.nii -shift 0 3 0 ROI.nii

Ова ќе го смени вашиот ROI за 3mm во y-насока. Аргументите по опцијата -shift претставуваат износ за поместување на сликата во x-, y- и z-насоки.

Здраво Енди,
Претходно сте одговориле на еден од горенаведените коментари за тоа како да ги трансформирате атласите на AAL во просторот за предмет користејќи ја инверзната матрица на трансформација користејќи FSL. Дали е можно истото да се направи со СПМ?
Се обидувам да го направам ова за анализа на рентабилност на мапи на церебрален проток на крв (CBF). Јас ја внесов основната слика на предметот во Т1 на CBF мапата. Потоа користете 'Нормализирајте: Проценете ' чекор за да добиете матрица на поле за деформација што може да се користи за трансформирање на Т1 сликата во MNI простор.
Дали постои начин да се искористи обратното од ова поле за деформација за трансформирање на ROI на AAL (што се чини дека е во просторот на MNI) во предметниот CBF простор?

Здраво Енди,
Се прашував дали можам да создадам маска избирајќи опсег на вредности на интензитет од FSLview. Работиме на мапирање на Т1 и сакаме да создадеме маска за воксели со интензитет на Т1 помеѓу 900-1100. Значи, во основа, креирајте маска користејќи го долниот и горниот праг како 900 и 1100.

Овие упатства се толку корисни !! Јас навистина имав прашање. Дали би можеле да ја објасните разликата помеѓу -thrp и -thrP? Го извршувам кодот: fslmaths name.nii.gz -thrP 5 name_thresh, што го разбирам. Но, зошто -thrp ми дава различни резултати?

Здраво Енди, дали постои начин да се зачува центроидот на маската како различна слика во FSL? Мое разбирање е дека ги добивате координатите на центроидот на маската користејќи ја командата fslstats со опцијата -c или -C, но дали постои начин да се испорача овој излез за да се создаде маска со различно име (во суштина маска со еден пиксел )? Благодарам!

Ви благодарам многу за овој блог. Тоа е многу корисно.
Ми треба вашата помош во мојата анализа.
Создадов ROI од SPM fMRI анализа, која е во nii формат.

Користејќи Freesurfer сакам да го пресметам кортикалниот волумен, дебелина, површина и искривување на овие маски.

Го истрчав recon-all за сите предмети.
Знам како да ги пресметам овие мерки користејќи атлас на ДК. Но, кога имам маска од анализи на fMRI базирани на SPM, не знам како да ја извадам.

Може ли да ги споделите вашите размислувања за овој проблем.

Здраво Енди,
Како си?
Дали можете да ми предложите како да изведам едноставен праг метод за да креирам маска на податоците од BraTS18 Brain MRI (.nii формат)?
Постојат четири типа на информации за пациентот како талент, t1, t1ce и t2.

Имам маска за многу мала рентабилност (25 воксели) на 2мм. Би сакал да ја сменам резолуцијата на 3мм. Јас користев:

флертување -во 2mm_mask.nii.gz -ref 2mm_mask.nii.gz -init fsl/etc/flirtsch/ident.mat -applyisoxfm 3.0 -интерп најблискиот сосед -o 3mm_mask.nii.gz

Оваа команда работеше добро за моите други (поголеми) ROI, но за оваа, резултирачкиот ROI од 3 мм е само 2 воксели. Се разбира, очекувам да се намали, но не со таа големина.

Дали причината е најблиската соседна интерполација? Јас сум во состојба да добијам нешто пологично со едноставно користење на трилинеарна интерполација и праг и бинаризирање на резултатот. Како и да е, би сакал да ја утврдам причината - мислам дека е тоа мал ROI + најблизок близок метод?

Ви благодариме за корисниот блог!

Здраво Енди,
многу ти благодарам за видеото.
Се прашував дали некогаш сте се обиделе да регистрирате мултирегионална маска на шаблон (како MNI простор). Се обидов да го користам FLIRT за да го направам тоа (всушност го регистрирав T1 во просторот MNI, а потоа ја применив истата трансформација на маската). Она што се случува е дека вредностите на мојата маска пред и по регистрација не се исти. Ајде да кажеме дека имам 15 за инсулата, во регистрираната маска с still уште имам 15 на инсулата, но имам некои случајни 15 точки малку насекаде.
Дали знаете како можам да го избегнам ова?
Ви благодарам многу многу!

Здраво Енди,
Се надевав дека можеш да ми помогнеш. Користам FSLview и математика за да создадам различни маски базирани на атласите Хавард-Оксфорд. Сепак, многу од нив се билатерални, а во некои случаи ми треба само едностраната маска. Дали имате лесен начин да го направите ова? Единствениот пример што го најдов не функционираше за мене, но бидејќи најдов голема помош во вашите упатства за YouTube, мислев дека можеби ќе можете да ми помогнете и по ова прашање. Со нетрпение очекуваме да слушнеме од вас.
Со почит, Лине

Ја читав вашата статија и се прашував дали сте размислувале да создадете е -книга на оваа тема. Вашето пишување ќе го продаде брзо. Имате многу таленти за пишување. маски за лице

Здраво Андреј,
Видов дека предложивте да користите маска за цела глава, за која претпоставувам дека вклучува екстракранијални меки ткива (орбити, итн.). Дали имате препораки за тоа како да го генерирате, можеби користејќи облог? Се обидов да користам fslmaths -bin, но има воксели што содржат сигнал надвор од мозокот (и поставување на -тр секогаш го отстранува саканото ткиво во главата). Благодарам!


Проблемот со скенирање на мозокот

Не есенско попладне во утробата на Ли Ка Шинг центарот на Универзитетот Беркли, го гледав мојот мозок. Штотуку поминав 10 минути во скенерот 3 Тесла МНР, техничко име за многу скапа, многу висока одржување, многу магнетна мозочна камера. Лежејќи на грб внатре во тесната цевка, ја проголтав клаустрофобијата и се оставив да се обвиткам во темнина и какофонија од удари слични на фогорн.

Во тоа време бев практикант за истражување во лабораторијата за невроекономија на Универзитетот Беркли. Тоа беше прв пат да го видам мојот мозок од скенирање со магнетна резонанца. Тоа беше сива, 3-Д реконструкција што пловеше на црната позадина на компјутерскиот екран. Како студент кој студирал невронаука, бев воодушевен. Нема ништо слично како првото соочување на еден млад научник со технологија за снимање што го прави досега невидлив видлив - магнетната резонанца ми го одзема здивот. Чувствував дека не гледам само во моето тело, туку во биолошките вдлабнатини на мојот ум.

пикселирани: ФМРИ го трансформира мозокот на начин сличен на она што се случува кога фотографирате - камерата ја претвора физичката сцена во матрица на броеви, интензитети на пиксели и боја. Девеш isingајисани / Шатерсток

Тоа беше чудна слика за себе, ако навистина беше една. Мојата коса не се појави, оставајќи го само черепот и прегледот на лицето со пресек на ткивата внатре. Повлекувајќи го глувчето, крстарев низ хоризонталните парчиња на мојот мозок-имаше разгранување, слични на корени на малиот мозок, црни дупки од коморите, како и брановидни сртови на мојот кортекс, кои изгледаат како змии што се мрдаат во песок.

Полна со возбуда по мојата средба со МРИ, консумирав научни трудови и ги проучував нивните фигури, кои обично беа сиви мозоци со светли портокалови и сини дамки на нив што укажуваа на региони на зголемена активација. Следната година се приклучив на лабораторија на Харвард, каде што започнав да работам на експеримент кој користеше функционална МРИ, или фМРИ, за да ги проучи мозочните области вклучени во социјалното донесување одлуки. ФМРИ ни овозможува да снимиме до што е мозокот додека луѓето извршуваат ментални задачи. Се посветив на виша теза и ги поставив моите идни цели на докторски студии. во когнитивната наука.

Бараме нешто подлабоко во овие слики од протокот на крв во мозокот.

Малку не очекував во каква научна марама влегов. Функционалната магнетна резонанца го трансформираше медицината. Овозможува неинвазивно мапирање на мозочните региони на пациентот за да се овозможи попрецизна, попрецизна неврохирургија, 1, како и потврдување на фармаколошките ефекти на потенцијалните лекови врз човечкиот мозок. 2 Но, употребата на fMRI во когнитивната и психолошката наука е озлогласено контроверзна. Ова е делумно затоа што технологијата не ја мери директно нервната активност, туку е прокси за неа - кислороден проток на крв. Исто така, бара огромна количина на обработка на податоци за сортирање на сигналот од бучава, обработка на податоци што бара многу дискрециони избори од страна на истражувачот.

Во последниве години, оваа област се занимава со голем број прашања што вклучуваат грешки во софтверот, 3 погрешно применети статистики, 4 и непоправливи студии. Овие предизвици ја комплицираа употребата на МНР во клинички и комерцијални контексти. Компаниите се обидоа да внесат ФМРИ во судницата за да споделат што открива мозокот за кажување на вистината, лудило и повреди. Се чини дека бараме нешто подлабоко, похумано на овие слики од протокот на крв во мозокот. Ние го бараме умот и сите негови сложености, седиштето на агенција, личност и лудило.

Ова е приказна за тоа како ние-научниците и ненаучниците, новинарите и читателите-раскажуваме илустрирани приказни за мозокот во нашиот обид да го разбереме умот. Кога зборуваме за „осветлување“ на некој дел од мозокот, или дупка на кората што служи како центар за социјална болка, нашиот јазик се обликува според формата на мозочните слики што ги гледаме, а таа форма на слика се појавува можеби повеќе од човечки избори отколку биолошки факти. Ова е исто така моја приказна. Бев решен да продолжам со кариера во истражување на нервните механизми на меѓугрупните односи. Ако можеме да ја разоткриеме улогата на мозокот во нашите социјални предрасуди, еден ден би можеле да ги надминеме. МНР требаше да го осветли патот.

Штиклирајте ги рацете и нозете како морска starвезда, и јас ќе се погрижам да не бидете тајно метален робот “, рече мојот волонтерски пријател и постдокторски ментор, Вил. Вил водеше стапче за детектор на метали над телото на учесникот.(студиите на fMRI бараат опсесивна прецизност при проверка на метал, и оправдано - магнетното поле 3 Тесла на скенерот во Центарот за наука за мозокот на Харвард, Невровизуелизација е доволно силно за да вшмука канцелариски стол во машината. Сthing што е магнетно брзо ќе стане смртоносно проектил.)

Откако учесникот легна легнат на креветот за скенер, Вил и јас се закачивме за серпентина на главата, невешт шлем што емитува и прима импулси на радиофреквенција од машината. Ме потсети на особено тешка маска за суперхерои. Нашиот волонтер ќе извршува задача за донесување одлуки, во која постојано би избирал да игра слот машини што даваат два различни вида на парични награди: една што дава пари на луѓе кои ја делат неговата политичка партија, и една што го прави тоа и одземаа пари од луѓе од спротивната политичка партија. Бевме заинтересирани дали тој покажа предност за една награда над друга. (Подоцна ќе пресметаме дека некои учесници биле наклонети кон наградата што ја повредила другата политичка партија-тие имале вкус за инаку надвор од групата-и оваа предност може да има невронска корелација.)

Откако ја врзував кутијата со копчиња на неговата десна рака, го кренав креветот на скенерот и го гледав како полека се лизга во малата пештера на магнетот. Откако се врати во контролната соба, Вил ја започна играта на слот машини на експериментот. Наскоро го слушнавме френетичниот прилив на сигнали со висок тон што укажуваше дека почнавме да собираме функционални слики од неговиот мозок. Понекогаш се чинеше бизарно, проучување на невробиологијата на меѓугрупните одлуки со заглавување на едно лице во студена крофна од вселенски бродови за да играат видео игри во суштина со ниски графички карактеристики. Ова се, сепак, ограничувањата на повеќето лабораториски студии на fMRI - многу поедноставен интерфејс за компјутерски задачи што имитира карактеристики на реалниот свет додека машината ги следи вашите шеми на проток на крв.

МРИ го мери БАЛД-сигналот во крвта, зависен од нивото на кислород. Бидејќи невроните имаат потреба од кислород кога пукаат, повеќе кислородна крв ќе патува во тој локален регион на мозокот. Рик Борн, невробиолог на Медицинскиот факултет Харвард, кој го проучува визуелниот кортекс користејќи електрофизиологија, ми помогна да го разберам процесот. Во просторијата за паузи во неговата лабораторија, тој беше разговорлив и ја изникна таа особена форма на возбуда што ја имаат научниците кога зборуваат за својата област. Тој црташе анимирано на бела табла, скицирајќи дијаграм со стрели што одат од зборовите „нервни шила“ до „потенцијал на екстрацелуларното поле“ до „зголемен метаболизам“ до „зголемен проток на крв“. Бидејќи, во најголем дел, научниците не можат да ги измерат нервните скокови директно кај луѓето (што бара отворање на черепот и директно вградување електроди, што се прави кај животните, но се прави само кај луѓе за медицински случаи како третманот на епилепсија), мораме се задоволуваме со индиректниот застапник на fMRI.

Тоа е како да анкетирате 100.000 странци дали ја познаваат Бијонсе лично.

Значи, како машината открива кислороден проток на крв? Одговорот лежи во атомскиот свет и неговите квантни својства, поточно нуклеарни магнетна резонанца- од каде доаѓаат „М“ и „Р“ во fMRI. Во присуство на многу моќно магнетно поле, водородните протони се усогласуваат едни со други, можете да ги сликате сите насочени во иста насока. Добро координираниот радиофреквентен пулс од машината за МНР ќе ги отфрли од нивната усогласеност, како прст што трепка над играчка со боб. Играчките со караници се враќаат назад, а исто така и водородните протони. Тие постепено ќе се „опуштат“ на нивното првобитно усогласување. Водородните протони присутни во черепот ќе се релаксираат со различна брзина отколку протоните во кортикалното ткиво, што ни дава начин да користиме математичка обработка за да генерираме слики од анатомија.

Но, fMRI ни дава повеќе од анатомија. „Ф“ означува витална разлика. МНР скенот што многу луѓе го добиваат во болница е обично анатомски МНР скенирање, обезбедувајќи 3-Д слики со висока резолуција на мускулите, тетивите и коскеното ткиво, способни да ги потенцираат потенцијалните повреди како што се солзи на тетивите или болести како рак. Од друга страна, fMRI ја доловува живоста на нашите мозоци и тела, мерејќи го активното движење на крвта со текот на времето што е поврзано со нервно отпуштање и сознавање.

Не можете да ја запомните вашата лозинка?

Во приказната за Наутилус, „Безбедно кршење на мозокот“, овој месец, навлегов во работата на две истражувачки групи кои крадат совети од криптологијата за подобро да разберам како функционира нашиот мозок. Додека ја известував таа приказна, наидов на научник. ПРОЧИТАЈ ПОВЕЌЕ

Може да го постигне ова поради комплицираниот танц на магнетна резонанца. Секој водороден протон има квантно својство наречено „фреквенција на прецесија“ - ротирачко вртење. Радиофреквентниот пулс не само што ги соборува протоните, туку ги синхронизира нивните вртења едни со други, совпаѓајќи ги нивните фреквенции на прецесија во координирана групна кореографија. По пулсот, фреквенциите на прецесија постепено повторно стануваат несинхронизирани, бидејќи протоните се враќаат во нивната исправена ориентација, вртејќи се со различна брзина, како танчери што тргнуваат во своите соло. Овој факт на природата, што ја прави можна fMRI, е дека овој процес на десинхронизација се случува побавно во магнетното поле на кислородна крв во мозокот. Односно, протоните во кислородната крв поефикасно остануваат синхронизирани, емитувајќи посилен сигнал од протоните во деоксигенираната крв, разлика што МНР скенерот ја детектира како ХРАТ сигнал.

Конечно, „јас“ на fMRI се залага за „сликање“ бидејќи излезот од овој процес во суштина е 3-Д видео на мозокот во акција. Процесот на скенирање го дели мозокот на мали коцки наречени воксели, тридимензионален еквивалент на пиксели. Податоците собрани од сесијата за скенирање на една личност се состојат од квантитативни мерки на БОЛД сигналот на секоја воксела. Вокселите обично се движат по големина од 1 кубен милиметар до 27 кубни милиметри - мали за нас, но колосални на обемот на невроните. За чувство на размер, мозокот содржи околу 100 милијарди неврони, а еден воксел во човечкиот кортекс може да покрие над 500.000 неврони. Тие неврони можат да прават било кој број работи-возбудуваат едни со други, се спречуваат едни со други или пукаат во различни модели во под-популациите-но с that што fMRI може да открие е нето-промената на кислородната крв во целиот простор на вокселот на секои 2 секунди. Ова е како да се обидувате да го одредите просечното мислење за надворешната политика од 500.000 различни луѓе кои се расправаат, се согласуваат и дебатираат истовремено.

После Вил и јас скениравме близу 50 луѓе, време беше да започнеме да ги расправаме тие терабајти податоци. Зедов шолја кафе, ги вклучив слушалките и почнав да свирам музика од групата Хипо Кампус (претпоставувам тематски), се сместив долго во библиотеката. Правев проверки за контрола на квалитетот, во кои барав неприродни ленти или необична осветленост во податоците за мозокот што ги собравме.

Користејќи специјална софтверска програма, ги разгледав суровите функционални податоци - сиво -црно видео од нејасен мозок што полека пулсира. Во суштина, суровите податоци што произлегуваат од скенерот се четири-димензионална матрица која ги бележи промените во секој воксел со текот на времето. Livingивото, биолошко месо на мозокот што лежеше во скенерот е трансформирано во збир на нумерички временски серии. Тоа е истото што се случува кога фотографирате зајдисонце - камерата ја претвора физичката сцена во матрица на броеви, интензитет на пиксели и боја. Можете да направите многу со мозокот штом е во оваа нумеричка форма. Користејќи ја лабораториската клупа на компјутерскиот невролог-компјутер и работна површина-можев да ги искривам, измазнам и филтрирам овие мозоци, фаза на анализа позната како пред-обработка на податоци.

fMRI е игра на милиметри. Минутните движења на главата поголеми од 3 милиметри можат да создадат искривени, на крајот неупотребливи слики. Пред-обработката помага да се поправи движењето со примена на математички трансформации што го менуваат мозокот назад на своето место секој пат кога ќе отскокне или се тркала. Исто така, пред-обработката ги зема нејасните, сурови функционални податоци за мозокот и преку истегнување, поместување и намалување на вокселите, ги трансформира за да одговара на прво, анатомско скенирање на учесникот, и второ, стандарден шаблон за мозок.

Човечкиот мозок покажува значителна варијабилност - малку заоблени хемисфери, грутчест окципитален лобус или севкупно поголема големина (како што практичарите на краниометрија забележаа рано). Без да го споиме мозокот на секој учесник со шаблон, никогаш не би можеле да ја споредиме мозочната активност со цел примерок од студијата.

Алгоритмите просторно ги измазнуваат податоците, што значи просек на активноста на соседните воксели во друг обид да се елиминира бучавата. Барем, она што мислиме дека е веројатно бучава, секогаш се надеваме дека не го филтрираат вистинскиот сигнал за интерес. Тоа е како да го триете прстот преку цртежот со молив за да го изедначите засенчувањето. Сето ова преобликување и корекција создава мозочни слики кои се поостри, поеднакви и помалку груби околу рабовите - по цена на просторна резолуција.

Постојат безброј варијации на чекори пред обработка, и покрај иницијативите за стандардизација предводени од Центарот за репродуктивна невронаука во Стенфорд, с still уште има многу малку стандарди што ги следи целото поле, оставајќи многу избори до дискреција на индивидуалниот истражувач. Навидум неосновани одлуки за тоа кој оперативен систем на компјутер, софтверска програма или хардвер на скенерот да се користат може да произведат клучни разлики во резултатите.

„Силата на магнетната резонанца е тоа што е масовно флексибилна технологија“, рече Брус Фишл, директор на пресметковното јадро во Центарот Мартинос и Општата болница во Масачусетс, и еден од првите пионери на алгоритмите за анализа на fMRI. „Може да генерира слики од структура, слики од функција, дури и да мапира нешто поврзано со нервната поврзаност или да ги разгледа хемиските промени. Недостаток на таа флексибилност е тоа што е тешко да се стандардизираат сет слики во различни лаборатории “.

Па, повеќе среќа во идните анализи “. Вил и јас се загледавме во образецот на мозокот во сива боја, агрегат од статистики од сите наши субјекти, кој беше целосно лишен од боја - без жаришта, без кластери за користење како идни региони на интерес. Дојдовме на сцена по претходна обработка, вистинска статистичка анализа. Имавме хипотеза дека ќе видиме диференцијална активност во колото за субкортикални награди во зависност од тоа дали паричната награда нанела штета на вон-групата, што може да сугерира сигнал за награда што влијае на одлуките да наштетат на конкурентската група. По сите тие ноќи поминати во скенирање, викенди во библиотеката за учење нов програмски јазик и часови проблеми при снимање на експерименталната поставеност, се надевав дека ќе видиме нов исход - но ова беше ништовен резултат, глупаво. За среќа, тоа беше само наша прелиминарна анализа, но сепак се чувствував разочарано.

Вообичаена заблуда е дека студиите на fMRI ни кажуваат кои региони на мозокот се активни за време на одредени задачи. Всушност, с everything е релативно. ФМРИ студиите можат да ни кажат кои региони на мозокот се поактивни во една задача отколку во друга задача. На друг начин, анализата на fMRI ни кажува кои збирки на воксели имаат профили на активност што повеќе одговараат на една состојба отколку на друга. Дури и најсовремените методи кои профитираат од развојот на машинското учење анализираат дали вокселите колективно содржат информации што можат да дискриминираат една состојба од друга.

Највообичаената процедура за анализа во експериментите со фМРИ, тестови за нулта хипотеза, бараат истражувачот да назначи статистички праг. Собирањето на статистичките прагови одредува што се смета за значаен воксел - кои воксели завршуваат со боја на цреша црвена или лимон жолта. Статистичките прагови ја прават разликата помеѓу значаен резултат објавен во престижни списанија како Природа или Наука, и нулти резултат вметнат во фиоката за пословични датотеки.

Научниците се под огромен притисок да објават позитивни резултати, особено со оглед на хиперконкурентниот академски пазар на труд што се одредува како рекорд на објавување како мерка за научно достигнување (иако кризата за репродуктивност го привлече вниманието на штета на оваа стимулативна структура). Ако студијата fMRI заврши со нула или нејасен резултат, не можете секогаш да се вратите назад и да извршите друга верзија на студијата. Експериментите со МРИ се многу скапи и одземаат многу време-моите бараа над 25.000 долари и беа потребни повеќе од една година за да се завршат. Можете да видите како истражувачот може да биде во искушение, дури и потсвесно, да игра уште еднаш со параметрите за анализа за да види дали тие можат да најдат значаен ефект во податоците што чинат толку многу.

„ФМРИ очигледно не е чиста бучава, тоа е вистински сигнал, но подлежи на многу степени на слобода, се меша со податоците, ги филтрира на различни начини додека не можете да видите што сакате да видите“, рече Борн.

Можете да видите како истражувачот може да биде во искушение да си игра со параметрите.

Проблемот на статистичкиот вишок, наречен повеќекратни споредби, се наира на овој дел од анализата. „Тоа е веројатно најголемиот проблем во снимањето на мозокот“, ми рече Фишл. Повеќекратни споредби значат премногу статистички тестови. Проблемот со повеќекратни споредби е како да анкетирате 100.000 странци за тоа дали лично ја познаваат Бијонсе. Никој од тие 100.000 луѓе всушност не е запознаен со неа, но за секој човек што ќе го прашате, има 5 проценти шанса да лаже и да каже дека е, само за клоци. На крајот, изброите 5000 пријатели на Бијонсе, иако основната вистина е дека нула од тие луѓе се пријатели со неа. Ако прашавте 100 странци, ќе завршевте само со пет неточни мерења, но поради големиот број и веројатноста за случајна измама, анкетирањето на 100.000 странци резултира со 5.000 неточни мерења.

Така, исто така, со податоците за fMRI: Податоците за мозокот на едно лице имаат стотици илјади воксели. Со големиот број на воксели и случајна бучава, истражувач кој прави статистички тест на секоја воксела, речиси сигурно ќе најде значајни ефекти таму каде што навистина нема.

Ова стана јасно во 2009 година кога со скенирање со магнетна резонанца се откри нешто рибино во мртов лосос. Крег Бенет, тогаш постдокторски истражувач на Универзитетот во Калифорнија, Санта Барбара, сакаше да тестира до каде може да го истурка пликот со анализа. Тој внесе еден лосос од Атлантикот во скенер за МНР, му покажа слики од емоционални сценарија, а потоа следеше типични процедури за пред-обработка и статистичка анализа. Еве, мозокот на мртвата риба покажа зголемена активност за емотивни слики - што подразбира чувствителен, ако не и жив лосос. Дури и во мозокот на мртов лосос, скенерот за МНР откри доволно бучава што некои воксели покажаа статистички значајни корелации. 6 Не успевајќи да поправат повеќекратни споредби, Бенет и неговите колеги „открија“ илузорна активност на мозокот.

Проблемот лежи во она што го бараме од овие резултати и авторитетот што им го даваме.

За да се поправат за повеќекратни споредби, невро -слики треба да воспостават строги прагови за статистичко значење. „Тешко е затоа што не знаеме кои се вистинските насоки“, ми рече Фишл. „Како истражувач, останувате со избор: Дали ќе живеете со исчезнати работи? Или ќе живеете со прикажување работи што не се реални? "

Фишл зборува за тоа како статистичките прагови треба да постигнат баланс помеѓу двата најдлабоки стравови на научникот: лажно позитивни (погрешно идентификување на бучавата како сигнал) и лажно негативни (губење на сигналот во услови на бучава). Тука се крие: полето с yet уште не е решено за решение за најдобра практика за повеќекратни споредби, бидејќи луѓето не можат да се договорат за вистинската рамнотежа на строгост. Покрај тоа, сите можни корективни постапки имаат важни слабости, како да претпоставуваме дека вокселите се независни една од друга, иако не се.

Во 2016 година, друг труд го потресе светот на невровизуелизацијата. Андерс Еклунд, Томас Е. Николс и Ханс Кнутсон објавија емпириска истрага за дефекти во вообичаените пакети за анализа на софтвер fMRI. 3 Овие грешки во софтверот во голема мера ја зголемија шансата за лажно позитивни резултати, во некои случаи на над 70 проценти, наместо процентот на грешка од 5 проценти што повеќето истражувачи ја претпоставуваат. Ова откритие ги доведе во прашање претходните објавени студии-наоди за мозочни корелации на личноста, нервни претстави на знаење, дури и нервни потписи при донесување одлуки.

Првиот пат кога ги прочитав весниците за Бенет и Еклунд, седнав во разладена ступор. Дали истражувањето што го правев и читав беше рамномерно реално? Брус Розен, директор на Центарот за биомедицински слики Мартинос во Масачусетс, ми понуди поумерена слика. „Хартијата за лосос покажа дека можете да направите анализа на начин што изгледа разумно и да го добиете овој навистина глупав резултат“, рече Розен. „Дали сум изненаден што добивате глупав резултат? Тешко. fMRI открива неверојатно голем сигнал, но сепак е сигнал за промена на 1 процент од основната. Дали е лесно да ги заебете работите за да видите промени од 1 процент? Прилично лесно “.

Што се однесува до Еклунд, и сор. хартија, призна Розен, „Тоа беше одлична точка за статистика. Тоа е всушност точка што ја разбравме, но без сомнение многу луѓе не ја разбраа “. Но, тој мисли дека импликациите на весникот беа прекумерни. „Влијанието на тој труд беше всушност прилично скромно во однос на бројот на неважечки резултати, што беа важни резултати. И дали ние значително ги заведувавме луѓето или ги испраќавме лекарите во заблуда или нешто слично, беше занемарливо најдобро што можев да кажам. Но, весникот доби многу печат и одеднаш, сега fMRI има црно око “.

Црното око не ги спречи оптимистичките шпекулации за оваа технологија. Во 2019 година Волстрит Journalурнал напис, технолошкиот претприемач Jerери Каплан напиша за „Машините што ќе го прочитаат вашиот ум“. Написот на Каплан ја нагласува конвергенцијата на напредокот на машинското учење и податоците за fMRI, истражувајќи ја можноста за користење невровизуелизација за откривање лаги, судење вина во правни услови, одредување кога некој навистина „боли“ од болест и надзор на активноста на мозокот. Звучи како премиса на а Црно огледало епизода: „Некогаш може да биде можно да научиш до одредено ниво на прецизност дали твојот брачен другар навистина те сака, те смета за привлечен или има anубовна врска“.

Интересот за измама и мозокот не е новост. Од 2008 година, компании како No Lie MRI и Cephos се натпреваруваа да развијат соодветно истражување за да користат fMRI при откривање лаги, нудејќи ги своите услуги на правните обвинети кои бараат да го потврдат своето алиби. Повеќето научници и правни научници се согласуваат дека технологијата не е подготвена за правни апликации, а неколку судови ги отфрлија барањата да користат докази од fMRI во аргументи. 7 Но, дури во 2016 година, Роберт Хуизенга, инвеститор во МРИ No Lie, с still уште ја промовираше компанијата на Шоуто на д -р ОзНа Тој ја посочи fMRI како „првиот непристрасен, научно поддржан начин да се разликува лагата од кажувањето вистина“.

Фразата „мозокот свети“ е артефакт на сликите што ги правиме.

Розен рече дека разбира дека сликите на fMRI добиваат посебна убедливост. „Јасноста на сликите води до импликација на нешто повеќе од она што е сликата“, рече тој. „Гледате дамка на мозокот и се чувствувате како:„ О, ова е толку јасно. “И тогаш, кога ќе ги погледнете основните податоци, сфаќате, а, тоа е прилично мал сигнал што статистиката веројатно го сугерира. Тоа е повеќе веројатен отколку реален резултат. Додека кога ја гледате светлата точка, тоа воопшто не изгледа веројатно, бидејќи таму е, нели? Неспорно “.

Токму оваа моќ на проектираниот научен авторитет на сликите на мозокот го наведе антропологот на науката Josephозеф Думит да коментира за „непотребниот ризик во судницата дека сликите на мозокот нема да се гледаат како предрасуди, стилизирани претстави на корелација, туку како директни, објективни фотографии. “ 8

Во обидите да се ублажат казните, адвокатите донесоа слики од мозокот како доказ за патологии кај обвинетите кривични. Расправиите честопати ја имаат следнава форма: Обвинетиот има невролошко или психијатриско нарушување што го нарушува когнитивното и моралното расудување. Оваа слика открива абнормалности на мозокот поврзани со психопатологијата.

Во судските случаи кои вклучуваат смртна казна, доказите за невровизуелизација буквално можат да станат прашање на живот и смрт. Во исто време, овој вид докази ги потврдува концепциите на различни човечки типови: луди и здрави, патолошки и здрави, со овие категории дадени во сјајните слики на мозочната активност. Притоа, таа ги привилегира биолошките сфаќања за личноста во однос на другите похолистички поими за човечкиот живот.

Еден загрижувачки резултат за ова е медицинализација на отстапување, што на крајот може да мотивира биолошка интервенција за да се елиминираат однесувањата што се сметаат за ненормативни или погрешни. Односно, fMRI често тврди дека покажува дека мозокот е „скршен“, а скршениот мозок бара да се поправи. Ова може да доведе до етички преполни иницијативи како неодамнешните напори за електрично стимулирање на мозокот на затворениците со цел да се намали агресијата. 9 Тука, прашањето за меѓучовечко насилство, социјално прашање под влијание на многу структурни и културни фактори, се наоѓа во мозокот на ниво на индивидуа. Ова е во мал дел поради цврстото држење што мозочните слики го имаат врз нашата имагинација за механизмите што го структурираат човечкото однесување, особено стигматизирани расположенија како ментална болест и криминалност.

Се наведнав на столот, гледајќи низ доцното попладневно сонце од канцеларијата на мојата лабораторија на 14 -ти кат во Вилијам Jamesејмс Хол. Количината на бескорисен, случаен муабет во податоците за fMRI почна да ме обзема. Како можеме да го извлечеме вистинскиот сигнал во услови на таква нумеричка врева, особено кога нашите статистички програми и знаење се недостатоци? На кои резултати треба да верувам? Што е најважно, како можеме одговорно да ја користиме fMRI технологијата, без да ги потврдиме тесните биомедицински дефиниции за болката, желбата и другите човечки емоции?

„Научниците се човечки суштества и ако нешто знаеме за човечките суштества, тоа е дека сме прилично добри да се залажуваме кога сакаме да веруваме во нешто“, ми рече Борн. Не сакам да се лажам себеси, или ние колективно да се залажуваме, за тоа што fMRI може да открие за мозокот.

Во март 2020 година, истата недела во која Светската здравствена организација го прогласи СОВИД-19 за глобална пандемија, ја поднесов мојата виша теза, која ми овозможи да дипломирам со заедничка диплома по невробиологија и филозофија. Го содржеше запишувањето на мојот експеримент со fMRI, вклучувајќи го нулативниот резултат и идните насоки за други анализи. Исто така, се расправав дека некои форми на fMRI докази можат да го осветлат неморалот на schadenfreude, емоции кога чувствувате задоволство од несреќата на друго лице или друга група. Горд сум на мојата теза и искрено уживав во собирањето и анализата на нервните податоци.

Но, во процесот на спроведување на ова истражување, бев принуден да се соочам со овој факт: fMRI е непрецизна камера која снима матни слики од крв, а не неврони, и бара опсежна пресметковна манипулација пред да можеме дури и да ги видиме сликите. Ако сакаме да избегнеме операција или лекови, тоа е најдобрата камера за мозок што ја имаме, и прилично лоша во тоа. fMRI има даде значајни резултати и знаења. Тоа ни овозможи да ја замислиме систематската организација на кортексот кај возрасните луѓе, која „обезбедува нов лост за истражување на развојот и еволуцијата на човечкиот ум“, како што рече Ненси Канвишер, професор на Институтот Мекговерн на МИТ. Исто така, им овозможи на невролозите да научат за стандардната мрежа на мозокот, која игра клучна улога во автобиографската меморија и планирање.

Проблемот лежи во она што го бараме и очекуваме од овие научни резултати, и авторитетот што им го даваме. На крајот на краиштата, фразата „мозокот свети“ е артефакт на сликите што ние занает. Губните очи и карти за поврзување постојат поради специфичниот начин на кој невролозите, физичарите со магнетна резонанца и научниците за податоци одлучија да ги визуелизираат и претставуваат податоците од мозокот.

Сега се прашувам дали сакам да продолжам на ова тешко поле. Откако дипломирав, се свртев кон мојата друга страст, политичкото застапување и образование во азиско-американската заедница. Се приклучив на две групи за застапување во Калифорнија, една која организира Јапонци-Американци и друга која гради меѓу-расни коалиции за борба против дискриминаторските политики. Иако не го испитувам мозокот на луѓето, учам за создавање солидарност меѓу етничките групи со долга историја на конфликти и заедничко угнетување. Како студент, сакав да разберам како се кристализираат границите на групата и надвор од групата, и сега имам шанса да набудувам и да донесам акции од прва рака кои регулираат или прошируваат кој е вклучен во заедница.

Сепак, јас ја чувам папката со обележувачи на Google за докторски науки за когнитивна наука. програми. Посетувам предавања по невронаука кога можам. Можеби ќе се вратам, или како научник или социолог за техники на невровизуелизација. Во отворањето на црната кутија на машината за МНР, можеби сум се заубил во невро -слики, но барем сега ги гледам онакви какви што се.

Келси Ичикава е надежен истражувач со интереси за политиката и етиката на науката. Дипломирала на Харвард во 2020 година со диплома А.Б. во невробиологија и филозофија, и во моментов е со седиште во Калифорнија. Можете да ја следите на Твитер @IchikawaKelsey

1. Голби, А. Симпозиумот FMRI25 (2017).

2. Мудриот, Р.Г. & засилувач Трејси, I. Улогата на fMRI во откривањето лекови. Весник за магнетна резонанца 23, 862-876 (2006) Кармајкл, О., и сор. Улогата на fMRI во развојот на лекови. Откривање дрога денес 23, 333-348 (2018).

3. Еклунд, А. Николс, Т.Е., и засилувач Кнутсон, Х. Кластер неуспех: Зошто заклучоците на fMRI за просторна мерка имаат надуени лажно-позитивни стапки. Зборник на трудови од Националната академија на науките 113, 7900-7905 (2016).

4. Vul, E., Harris, C., Winkielman, P., & amp Pashler, H. Зачудувачки високи корелации во студиите на fMRI за емоции, личност и социјално сознание. Перспективи за психолошка наука 4, 274-290 (2009).

5. Вилијамс, Р. Истражувачките тимови постигнуваат различни резултати од исти податоци за скенирање на мозокот. Научникот (2020).

6. Бенет, Ц.М., Милер, М., и засилувач Волфорд, Г.Л. Невронски корелации на перспектива на меѓувидови во пост-смртниот атлантски лосос. НевроИмиџ 47, S125 (2009).

7. Фарах, М.Ј., Хачинсон, Ј.Б., Фелпс, Е.А., и засилувач Вагнер, А.Д. Функционална детекција на лаги базирана на МРИ: Научни и општествени предизвици. Прегледи на природата Невронаука 15, 123-131 (2014). Ловенберг, К. ФМРИ откривањето на лаги не успеа во првото сослушување за сигурност. Преглед на правото на Стенфорд (2010).

8. Dumit, J. Објективни мозоци, предрасудни слики. Наука во контекст 12, 173-201 (1999).


Примероци од медицинска слика

Ова складиште не е наменето за собирање огромни серии слики, туку само овие датотеки што можат да нагласат некои структурни или анатомски разлики. Ги собирав за тестирање за време на развојот на мојот сопствен читач на медицински слики (благодарение на сите соработници). Се надевам дека тие можат да бидат корисни и за вас.

Не тврдам за авторски права за репродукција или подобрувања на овие слики. Ваша одговорност е законски да ги користите овие слики.

Се обидов да ги анонимизирам овие датотеки кога е потребно со преименување на сите имиња (VR = PN) и отстранување на сите елементи од групата за идентификација на пациенти (0x0010), сите приватни елементи (непарни групи), сите преклопувања и кривини (кога е потребно), коментари (елемент 0x4000) и некои лични карти. UID не е повторно пресметан. Знам дека е малку грубо, но подоцна ќе ја подобрам оваа функција (и ќе ги регенерирам датотеките).

Секој запис опишува датотека по име, графичка содржина (како мала сликичка) и некои од нејзините главни карактеристики: тип, синтакса на пренос, модалитет (и опционален секундарен тип на слика), фотометриска интерпретација (и опционална рамна конфигурација), големина ( редови x колони), бинарна структура (каде што & quot [x, y | z] & quot значи & quot; складирани битови, y битови распределени и високи битови z & quot) и претстава на пиксели, производител, име на модел (и верзија на софтвер).

  • Кликнете (или Shift-Click) за да ја преземете соодветната компресирана датотека.
  • Кликнете на за да ги наведете ознаките содржани во датотеката.
  • Кликнете на за да скокнете на почетната локација на таа датотека.

Сликичката и списокот со ознаки беа генерирани/анонимизирани со помош на dicom2, мојот бесплатен медицински конвертор на слики (освен некои JPEG-датотеки со капсули XA-MONO2-8-катетер и MR-MONO2-16-12-0-рамо).

Сите датотеки се компресирани со помош на gzip. Корисниците на Windows 95/NT можат да користат WinZip за да ги декомпресираат, или стандардниот метод Unix: gzip -d file.gz

Што има ново

  • 27 октомври 1999 година: Додадено ezDICOM и засилувач JMedView на делот Линкови: Апликации.
  • 24 јуни 1999 година: Додадено CT-MONO2-16-градите (JPEG (70), 16 бита, PR = 1, Хаунсфилд). Благодарение на Г.М.
  • 21 јуни 1999 година: Додаден е делот Линкови: Апликации.
  • 20 јуни 1999 година: Упс, US-RGB-8-епикардот не беше обичен авион како што се тврди, сега е :)
  • 31 мај 1999 година: Сите датотеки беа анонимизирани кога беше потребно.
  • 30 мај 1999 година: Сликите се преименувани и реорганизирани (подредени по Модалност).
  • 19 мај 1999 година: Додадено CT-MONO2-16-мозок, CT-MONO2-16-ort (претстава на пиксели = 1).
  • 19 мај 1999 година: Додадено MR-MONO2-16-колено (претстава на пиксели = 1).
  • 25 мај 1999 година: Додаден дел за синтакса на трансфер.
  • 26 април 1999 година: Таа страница е редизајнирана (HTML4/CSS1). Подобро?

Единечна рамка

  • ДИКОМ
  • Имплицитно малку (сурово)
  • CR
  • МОНОХРОМ 1
  • 440х440
  • [10, 16 | 9], ПР = 0
  • Фуџи фото -филм Ко.
  • 9000
  • ДИКОМ
  • Експлицитно Мало
  • КТ
  • МОНОХРОМ 2
  • 512х512
  • [16, 16 | 15], ПР = 1
  • Picker Int., Inc.
  • PQ5000
  • ДИКОМ
  • Имплицитно Малку
  • КТ
  • МОНОХРОМ 2
  • 512х512
  • [16, 16 | 15], ПР = 1
  • Г.Е. Медицински Сист
  • HiSpeed ​​CT/i
  • ДИКОМ
  • Имплицитно Малку
  • КТ (3D)
  • МОНОХРОМ 2
  • 512х512
  • [16, 16 | 15], ПР = 1
  • Г.Е. Медицински Сист
  • Битие Зевс (03)
  • ДИКОМ
  • Имплицитно Малку
  • КТ
  • МОНОХРОМ 2
  • 512х512
  • [8, 8 | 7], ПР = 0
  • Фуџи
  • ACR-NEMA 2
  • Имплицитно Малку
  • КТ
  • МОНОХРОМ 2
  • 512х512
  • [12, 16 | 11], ПР = 0
  • Сименс
  • Соматом +4 (vb20a)
  • ДИКОМ
  • JPEG (70)
  • КТ
  • МОНОХРОМ 2
  • 512х400
  • [16, 16 | 15], ПР = 1
  • Г.Е. Медицински Сист
  • HiSpeed ​​(серија 2.00)
  • ACR-NEMA 1
  • Имплицитно Малку
  • МР
  • МОНОХРОМ 2
  • 256х256
  • [12, 12 | 11], ПР = 0
  • Филипс
  • T5 (rtnap)
  • ACR-NEMA 2
  • Имплицитно Малку
  • МР
  • МОНОХРОМ 2
  • 256х256
  • [12, 16 | 11], ПР = 0
  • Сименс
  • Магнетом Вис. (vb11a)
  • ДИКОМ
  • Имплицитно Малку
  • МР
  • МОНОХРОМ 2
  • 256х256
  • [16, 16 | 15], ПР = 1
  • Г.Е. Медицински Сист
  • Сигнал за генеза (04)
  • ДИКОМ
  • JPEG (57)
  • МР
  • МОНОХРОМ 2
  • 1024x1024
  • [12, 16 | 11], ПР = 0
  • Филипс Мед. Сист
  • Yrироскан НТ (RTNC1)
  • ДИКОМ
  • Имплицитно Малку
  • МР
  • МОНОХРОМ 2
  • 256х256
  • [16, 16 | 15], ПР = 1
  • Г.Е. Медицински Сист
  • Сигнал за генеза (04)
  • ДИКОМ
  • Имплицитно малку (сурово)
  • ОТ
  • МОНОХРОМ 2
  • 512х512
  • [8, 8 | 7], ПР = 0
  • Филипс Мед. Сист
  • ДИКОМ
  • Имплицитно малку (сурово)
  • ОТ
  • БОЈА НА ПАЛЕТА
  • 640х480
  • [8, 8 | 7], ПР = 0
  • ДИКОМ
  • Имплицитно малку (сурово)
  • ОТ
  • МОНОХРОМ 2
  • 512х512
  • [8, 8 | 7], ПР = 0
  • Филипс Мед. Сист
  • ДИКОМ
  • Имплицитно малку (сурово)
  • ОТ
  • МОНОХРОМ 2
  • 512х512
  • [8, 8 | 7], ПР = 0
  • Филипс Мед. Сист
  • ДИКОМ
  • Експлицитно Мало
  • САД
  • RGB
  • 256х120
  • [8, 8 | 7], ПР = 0
  • Производи за Acme
  • ДИКОМ
  • Експлицитно големо
  • САД
  • RGB (авион)
  • 640х480
  • [8, 8 | 7], ПР = 0
  • Г.Е. Медицински Сист
  • Логика 700 (R6.1)

Повеќе рамки

  • ДИКОМ
  • Експлицитно Мало
  • МР
  • МОНОХРОМ 2
  • 16 x256x256
  • [8, 8 | 7]
  • Филипс
  • ДИКОМ
  • Експлицитно Мало
  • НМ
  • МОНОХРОМ 2
  • 13 x64x64
  • [16, 16 | 15]
  • Производи за Acme
  • (6.1.0 1.0)
  • ДИКОМ
  • Експлицитно Мало
  • САД
  • МОНОХРОМ 2
  • 8 x128x120
  • [8, 8 | 7]
  • Производи за Acme
  • ДИКОМ
  • RLE без загуби
  • САД
  • БОЈА НА ПАЛЕТА
  • 10 x630x400
  • [8, 8 | 7]
  • Производи за Acme
  • ДИКОМ
  • JPEG (70)
  • XA
  • МОНОХРОМ 2
  • 12 x512x512
  • [8, 8 | 7]
  • Производи за Acme

Пренесете синтакса

ДИКОМ Дел 5: & quot; Синтакса за пренос: (Стандардна и приватна): Збир на правила за кодирање што им овозможуваат на ентитетите на апликацијата недвосмислено да преговараат за техниките на кодирање (на пример, структура на елемент на податоци, нарачување бајти, компресија) што тие можат да ги поддржат, со што ќе им се овозможи Апликација Субјекти за комуникација & quot. Има директно влијание врз начинот на кој Pixel Data Element (7FE0, 0010) ќе се користи за размена на кодирани податоци за графички слики. Податоците за пиксели може да се испраќаат или во мајчин (некомпресиран) формат или во форма со капсули (на пр. Компресирани) дефинирани надвор од стандардот DICOM.

  • Ако се испрати во мајчин формат, [. ] примероците на пиксели се кодирани како директна поврзаност на битовите од секој примерок од пиксели, каде што бројот на битови од секој примерок е дефиниран со вредноста на елементите за податоци распределени битови (0028,0100). Редоследот на бајти во зборовите од 2 бајти е дефиниран со една од синтаксите за пренесување на мали ендијански или биг ендијански.
  • Ако е испратен во форма на капсули (т.е. различен од мајчин формат), [. ] примероците на пиксели се кодираат според процесот на кодирање дефиниран со една од преговарачките Синтакси на пренос. Инкапсулираниот пиксел поток на кодирани податоци за пиксели е сегментиран во еден или повеќе фрагменти што ја пренесуваат нивната експлицитна должина. Оваа секвенца од фрагменти е завршена со разграничувач, со што се овозможува поддршка на процеси за кодирање каде што добиената должина на целиот тек на пиксели не е позната додека не е целосно кодирана. Поддржува и слики со една рамка и повеќе рамки. DICOM обезбедува механизам за поддршка на употребата на JPEG компресија на слика преку капсулиран формат. Тој дефинира голем број Синтакси за пренос кои се однесуваат на JPEG стандардот и обезбедуваат голем број шеми за компресија без загуби (зачувување на битови) и загуби.

Следната табела ги прикажува повеќето од Синтаксите за пренос, нивните поврзани UID и опис. Ознаката (), исто така, ќе покаже дека соодветната синтакса се користи од една од датотеките достапни овде (заедно со линкови до датотеките за преписки за инкапсулирани синтакса, а мајчините се многубројни). Секој нов пример е добредојден.


Како функционира човечката меморија

Колку повеќе знаете за вашата меморија, толку подобро ќе разберете како можете да ја подобрите. Еве основен преглед за тоа како функционира вашата меморија и како стареењето влијае на вашата способност за памтење.

Првиот плач на вашето бебе. вкусот на колачињата од меласа на баба ти. мирис на ветер од океанот. Ова се спомени што го сочинуваат тековното искуство на вашиот живот - ви даваат чувство за себе. Тие ве прават да се чувствувате удобно со познатите луѓе и околината, да го поврзете минатото со сегашноста и да обезбедите рамка за иднината. На длабок начин, тоа е нашиот колективен сет на сеќавања - нашата & quotmemory & quot; како целина - што н makes прави она што сме.

Повеќето луѓе зборуваат за меморијата како да е нешто што го имаат, како лоши очи или добра глава на коса. Но, вашата меморија не постои на начин на кој постои дел од вашето тело - не е нешто што можете да го допрете. Тоа е концепт што се однесува на процесот на помнење.

Во минатото, многу експерти сакаа да ја опишат меморијата како еден вид малечок за датотеки, полн со индивидуални папки за меморија, во кои информациите се складираат. Други ја споредија меморијата со нервен суперкомпјутер заглавен под човечкиот скалп. Но, денес, експертите веруваат дека меморијата е многу покомплексна и недостижна од тоа-и дека не се наоѓа на едно посебно место во мозокот, туку е процес низ целиот мозок.

Се сеќавате ли што појадувавте утрово? Ако ви се појави сликата на голема чинија со пржени јајца и сланина, вие не сте ја ископале од некој невронски улички надвор од патот. Наместо тоа, таа меморија беше резултат на неверојатно сложена конструктивна моќ-онаа што секој од нас ја поседува-која ги собра различните впечатоци на меморијата од мрежата на клетки расфрлани низ мозокот. Вашата & quotmemory & quot; навистина е составена од група системи кои секој игра различна улога во создавањето, складирањето и потсетувањето на вашите спомени. Кога мозокот нормално ги обработува информациите, сите овие различни системи функционираат заедно совршено за да обезбедат кохезивна мисла.

Она што изгледа како единствена меморија е всушност сложена конструкција. Ако мислите на некој објект - да речеме, пенкало - вашиот мозок го добива името на објектот, неговата форма, неговата функција, звукот кога се гребе низ страницата. Секој дел од меморијата за тоа што е & quotpen & quot; доаѓа од различен регион на мозокот. Целата слика на & quotpen & quot е активно реконструирана од мозокот од многу различни области. Невролозите само почнуваат да разбираат како деловите повторно се составуваат во кохерентна целина.

Ако возите велосипед, меморијата за тоа како да управувате со велосипедот доаѓа од еден сет на мозочни клетки, меморијата за тоа како да стигнете одовде до крајот на блокот доаѓа од друга меморија за безбедносни правила за возење велосипед од друга и тоа нервозно чувство што го добивате кога автомобилот излегува опасно од близина, од друг. Сепак, никогаш не сте свесни за овие одделни ментални искуства, ниту пак дека доаѓаат од сите различни делови на вашиот мозок, бидејќи сите тие функционираат заедно толку добро. Всушност, експертите ни велат дека нема цврста разлика помеѓу тоа како се сеќавате и како размислувате.

Ова не значи дека научниците точно откриле како функционира системот. Тие с still уште не разбираат точно како се сеќавате или што се случува за време на отповикувањето. Потрагата за тоа како мозокот ги организира спомените и каде тие спомени се стекнуваат и складираат е бесконечна потрага меѓу истражувачите на мозокот со децении. Сепак, има доволно информации за да се направат едуцирани претпоставки. Процесот на меморија започнува со кодирање, потоа продолжува до складирање и, на крајот, пронаоѓање.

На следната страница, ќе научите како функционира кодирањето и мозочната активност вклучена во преземањето меморија.


6.1. Влез и излез: застапеност на невро -сликиaging

6.1.1.1. Имиња и објекти на датотеки, 3Д и 4Д слики¶

Сите функции на Нилеарн ги прифаќаат имињата на датотеките како аргументи:

Nilearn може да работи или на имиња на датотеки или на објекти на NiftiImage. Подоцна ги претставуваат податоците вчитани во меморијата. Во горниот пример, функцијата smooth_img враќа објект Nifti1Image, кој потоа може лесно да се пренесе на други нилеарни функции.

Во Нилајн, ние често го користиме терминот „Ниимг“ како кратенка што означува или име на датотека или објект NiftiImage.

Niimgs може да биде 3D или 4D. На пример, 4Д нимиг може да претставува временска серија на 3D слики. Тоа може да биде список со имиња на датотеки, ако овие содржат 3D информации:

result_img е 4Д слика во меморијата, која ги содржи податоците на двата субјекти.

6.1.1.2. Совпаѓање на името на датотеката: „глобирање“ и проширување на корисничката патека¶

Можете да наведете датотеки со диви картички модели за појавување (како во Unix школка):

  • Совпаѓање со повеќе датотеки: да претпоставиме дека папката со бази на податоци содржи subject_01.nii, subject_03.nii и subject_03.nii база на податоци/предмет _*. nii е глобален израз што одговара на сите имиња на датотеки:

е проширен во вашиот домашен директориум:

Глобирање на Пајтон

За посложени случаи на употреба, Пајтон исто така обезбедува функции за работа со патеки за датотеки, особено glob.glob.

За разлика од проширувањето на патеката на Нилеарн, резултатот од glob.glob не е сортиран и, во зависност од компјутерот што го користите, тие можеби нема да бидат по азбучен ред. Ве советуваме да се потпрете на проширувањето на патот на Нилеарн.

За да вчитате податоци со глобирање, предлагаме да користите nilearn.image.load_img.


Овој напис содржи:

Според Фондацијата за сочувствителен ум, терапија со фокус на сочувство (CFT) е:

„Форма на психотерапија базирана на докази која се потпира на нашиот развиен капацитет за сочувство за да го олесни ублажувањето на човечкото страдање“

CFT беше развиен од д-р Пол Гилберт, психолог од Англија, кој веруваше дека сочувството (и на себе и на другите фокусирани) може да биде клучот за ослободување од нападни чувства на срам и самокритика (Гилберт, 2009).


Апстракт

Мозочната компјутерска интерфејс технологија претставува високо растечко поле на истражување со апликативни системи. Неговиот придонес во медицинските области се движи од превенција до невронска рехабилитација за сериозни повреди. Читањето на умот и далечинската комуникација имаат свој уникатен отпечаток од прст во бројни области како што се образовни, саморегулација, производство, маркетинг, безбедност, како и игри и забава. Тоа создава меѓусебно разбирање помеѓу корисниците и околните системи. Овој труд ги покажува областите на примена кои би можеле да имаат корист од мозочните бранови во олеснување или постигнување на нивните цели. Исто така, разговараме за главната употребливост и техничките предизвици со кои се соочуваат со користење на мозочните сигнали во различни компоненти на системот BCI. Разгледани се и различни решенија кои имаат за цел да ги ограничат и намалат нивните ефекти.


Екстракција на мозок и зачувајте слики како .img датотека - Психологија

31 коментар:

Здраво Енди, дали имате некое искуство или предлози за исправување на изобличувањето кога датотеката acq_params не е достапна како во случајот со јавните податоци како ADNI или PPMI. Читав дека можете да користите некои методи засновани на регистрација, но с I уште не најдов добра алатка. Дали знаете за некои алатки базирани на регистрација за корекции на искривување?

За жал, не, не знам за какви било алатки за регистрација базирани на исправување на искривување, моето разбирање е дека за да го направите тоа правилно, ви требаат некои информации од техничарите на скенерот што инаку не се достапни од информациите за заглавието во податоците.

Сепак, ако дознам за нешто, ќе ве известам. Постојат и други пакети за анализа на DTI, како што е TORTOISE, што можеби вреди да се разгледаат (иако с yet уште не сум го користел).

Исто така постои и Brainsuite кој може слободно да се преземе и нуди корекција на нарушување базирана на регистрација:

можете да користите exploredti за да го погледнете упатството базирано на регистрација

Овој коментар е отстранет од авторот.

Здраво Енди, можеш ли да ми кажеш колку време е потребно за командата eddy да ги произведе излезите на неподвижните слики? На мојот терминал му треба многу време за да го обработува, и не сум сигурен дали е тоа затоа што сум напишал нешто неправилно или дали тоа всушност е долг процес. Ви благодарам.

Тешко е да се каже, имајќи предвид дека постојат многу разлики помеѓу компјутерите што ја вршат обработката. Ако сте напишале нешто погрешно, или треба да заврши со грешка или да ви даде луд излез. Во секој случај, јас претпоставувам дека досега процесуиравте барем едно лице, па ме интересира колку време ми требаше?

Ти благодарам што ми се врати! Првично, го прекинав процесот, бидејќи мислев дека направив нешто погрешно. Меѓутоа, јас репризирав едно лице и заврши 1 час и 20 минути за да го истрчам тоа лице. Имам уште едно прашање. Нашата лабораторија првично претпостави дека треба да ги извлечеме сите 7 од нашите тома b0 при креирање на nodif сликата од нашата давида датотека, бидејќи мислевме дека тоа ќе ни даде попрецизна и чиста слика. Меѓутоа, внесувањето само на првите две вредности b0, кои се и единствените b0 вредности што не се прекинати со друга вредност, е единствената мерка внесена во терминалот, која с actually уште всушност дава слика на мозок во fslview. Додавање на друг том b0 на овој код: fslroi dwidata nodif 0 2 ни дава грешка. Затоа, нема ли употреба за сите вредности b0 заедно? Дали тие не даваат подобри резултати кога се извлекуваат сите заедно? Благодарам!

Се прашував истото за повеќе слики b0. Имам база на податоци каде има 4 b0 АП -скенирања и 1 b0 PA -скенирање. Она што го направив е само да го спарам секое скенирање на АП b0 со скенирањето со 1 PA b0 (така што мојата датотека AP_PA_b0 има 8 скенирања во неа) и да се надополни со тоа. Сепак, не сум сигурен дали ова е вистинската работа.

Некое ажурирање за ова? Исто така, се прашувам дали има некаква разлика во извршувањето на дополнување со 2 наспроти 10 b = 0 тома од секоја насока на PE.

Успешно го завршив topop -от, но сега треба да извршам процес преку слободен сурфер наречен tracula, на оваа нова комбинирана датотека AP/PA. За да извршам тракула ми треба точен број на bvals и bvecs. Ги имам овие датотеки, но тие се за АП и ПА слики посебно. Кога се обидувам да ја стартувам програмата, ми кажува дека бројот на слики не одговара на bvals и bvecs. Се обидов само да ги комбинирам датотеките, да го копирам АП во истата датотека како ПА и да го стартувам на тој начин, но сепак наидов на истата грешка. Дали знаете како можам да ги добијам соодветните bvals и bvecs за новата комбинирана датотека?

Не сум сигурен зошто тоа се случува деновиве, користам ORTУЛЕ за да ги препроцесирам моите податоци за ДТИ пред да ги извршам анализите во Тракула, и немав проблеми со тоа. Пробајте ја таа програма и видете дали ќе го поправи вашиот проблем.

Која опција за извоз ја користевте од ORTУЛ? Имам тенденција да го користам FSL (сортиран) за TRACULA. Немаше проблеми. НО, можеби ќе треба да ги транспонирате b-векторите и b-вредностите за да ги натерате да играат убаво.

Грешка: податоците и bvals/bvecs не содржат ист број записи

Дали некој знае како да го реши ова прашање додека работи dtifit во fsl?

Здраво Енди,
Што ме советувате да направам за да го коригирам нарушувањето на движењето? Моите пациенти имаат многу артефакти за движење (бидејќи се постари). Одам да ги препроцесирам податоците за DTI и да не имплементирам TOP UP така.
Би сакал да знам дали можам да користам некоја алатка за подобро да го коригирам движењето.

Ако не сакате да користите дополнување, можете да користите друг пакет за преобработка на DTI како ORTЕЛЕЕ. Резултатите се прилично добри во споредба со пред -обработката на FSL 's.

Здраво Енди,
Дали можете да ми кажете како да извлечете вредности на просечна дифузија (ДД) на секој предмет со помош на FSL алатката?

Би ја проверил алатката за одлики, било од практичната овде:

Треба да биде слично на вадење параметарски проценки, како што би направиле со секој експеримент со ФМРИ, само дајте му маска и мапи од кои може да се извлече, и треба да го добиете просечниот доктор по сите воксели во маската.

Здраво Енди,
Дали ќе снимате видео или упатство за желка?

Овој коментар е отстранет од авторот.

Здраво Енди,
Ако користам шема со повеќе школки DTI со по 6 школки со по една b0 и 10 насоки за сите стекнати A-P, дали е сепак можно или корисно да се користи дополнување? Дали треба да ја реорганизирам мојата датотека и томови за b-val, така што надополнувањето прво ќе ги извлече сите 6 вредности (како што bval ги наведува 000000,500,1000, итн.)? Или бара само еден b0 проследен со број на томови (во мојот случај 6)?

Не сум користел повеќеслојна DTI, па не можам да кажам. Сепак, моето разбирање е дека за дополнување се потребни слики во насоки за кодирање во спротивна фаза-на пример, еден сет на слики собрани А-П, а друг сет П-А. Не мислам дека би било соодветно во твојот случај.

Фала Енди!
Значи, кога се повикувам на моите датотеки PAR, дали & quotphase насоката за кодирање & quot е синоним за & quotpreparation direction & quot & quot? Е назначена со PAR -датотеката?

Или, дали навистина треба да ја погледнете временската серија FSL како што гледавте во вашето видео за да ги визуелизирате самите нарушувања за да го одредите ова?

Наместо тоа, ако имам едно скенирање од 6 во школка со различно пресметано време за читање, за датотеката acqp за надополнување (6 реда со читање 0 1 0 x) за преднапредна аквизиција, но еден ред има различна x вредност, тогаш јас сепак треба да може да се користи TOPUP бидејќи една од аквизициите беше различна?

Не мора да разберам дека насоките треба да бидат спротивни едни на други, а не за да има различни читања.

Јас не сум експерт во ова, па затоа би проверил двапати со FSL listerv за да се уверам.

Гледам. Па, благодарам за увидот !!

Еј Анди, ти благодарам за поддршката!
Имам прашање во врска со дополнување/еди на сет на податоци измерени во два одделни дена.

Направив неколку мерења на дви на иста тема два дена.
Сега треба да знам дали треба да ги спојам сите мои датотеки и да правам дополнување/еди на целата сесија или дали треба да го правам тоа одделно? Кога го правам тоа одделно, треба да ги регистрирам сите живеалишта на пример на просечна слика за да можам да ги споредувам подоцна? Ако да, што се случува со датотеката bvecs? Претпоставувам дека б-матрицата треба да се преориентира?

Здраво Енди, јас сум новодојденец во областа на невро -науката. Вашиот блог и каналот на YouTube ми помагаат многу. Како и да е, се соочувам со проблем со ракувањето со fsl Dtifit. Се обидувам да направам Dtifit со податоците на UKBioBank, но добива грешка што вели дека 'bvals/ bvecs не содржат ист број записи '. Но, како што проверив, има ист број записи. (150.150*3). Мојата датотека bvals има 5 или 1995 (што не е 0 или 1000 ..). Дали може да биде проблем?

Еј, Енди, јас се обидувам да видам дали можам да користам ORTУЛОВ за да ги препроцесирам моите податоци со споени скенирања на АП и ПА? Сепак, имам проблеми да најдам споена датотека bvecs/bvals за споеното скенирање. Благодарам!

Здраво Енди,
Јас сум студентски истражувач во областа на невровизуелизација и сум почетник во користењето на FSL, затоа започнувам со корекција на нарушувањата со извршување на дополнувачки командни линии, но мојот проблем е што не добивам резултати, туку само ја добивам оваа датотека AP_PA_b0. topup_log, но нема поправена слика,
Дали имате идеја за ваков проблем и како можам да го поправам ве молам !!
благодарам